JP6313929B2 - Method and system for monitoring structures - Google Patents

Method and system for monitoring structures Download PDF

Info

Publication number
JP6313929B2
JP6313929B2 JP2013042348A JP2013042348A JP6313929B2 JP 6313929 B2 JP6313929 B2 JP 6313929B2 JP 2013042348 A JP2013042348 A JP 2013042348A JP 2013042348 A JP2013042348 A JP 2013042348A JP 6313929 B2 JP6313929 B2 JP 6313929B2
Authority
JP
Japan
Prior art keywords
data
distortion
aircraft
feature points
vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2013042348A
Other languages
Japanese (ja)
Other versions
JP2013186899A (en
Inventor
イグナシオ アルミホ トーレス ホセ
イグナシオ アルミホ トーレス ホセ
ゴメス エスカロニージャ マーティン ハビエル
ゴメス エスカロニージャ マーティン ハビエル
ガルシア アロンソ ハイメ
ガルシア アロンソ ハイメ
Original Assignee
エアデエセ コンストルクシオネス アエロナウティカス エセア ソシエダッド ウニペルソナルEads Construcciones Aeronauticas, S.A., Sociedad Unipersonal
エアデエセ コンストルクシオネス アエロナウティカス エセア ソシエダッド ウニペルソナルEads Construcciones Aeronauticas, S.A., Sociedad Unipersonal
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority to EP12382082.1 priority Critical
Priority to EP12382082.1A priority patent/EP2637010B1/en
Application filed by エアデエセ コンストルクシオネス アエロナウティカス エセア ソシエダッド ウニペルソナルEads Construcciones Aeronauticas, S.A., Sociedad Unipersonal, エアデエセ コンストルクシオネス アエロナウティカス エセア ソシエダッド ウニペルソナルEads Construcciones Aeronauticas, S.A., Sociedad Unipersonal filed Critical エアデエセ コンストルクシオネス アエロナウティカス エセア ソシエダッド ウニペルソナルEads Construcciones Aeronauticas, S.A., Sociedad Unipersonal
Publication of JP2013186899A publication Critical patent/JP2013186899A/en
Application granted granted Critical
Publication of JP6313929B2 publication Critical patent/JP6313929B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01NINVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N19/00Investigating materials by mechanical methods
    • G01N19/08Detecting presence of flaws or irregularities
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0008Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of bridges
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M5/00Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings
    • G01M5/0016Investigating the elasticity of structures, e.g. deflection of bridges or air-craft wings of aircraft wings or blades
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02BCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B10/00Integration of renewable energy sources in buildings
    • Y02B10/30Wind power

Description

本発明は、構造物を監視するための方法及びシステムに関し、特に、疲労及び耐損傷性の予測に関するものである。本発明は、あらゆるプラント構造物、風力タービン、船舶、建造物、橋梁、タワー及び好適には(任意であるが)航空機に適用可能である。 The present invention relates to a method and system for monitoring structures, and more particularly to predicting fatigue and damage resistance. The present invention is applicable to any plant structure, wind turbine, ship, building, bridge, tower and preferably (optionally ) an aircraft.
構造物の疲労は、繰返し荷重が付加される条件の下で微細な亀裂が徐々に成長することによる材料の損傷として定義することができる。プラント構造物の疲労寿命とは、一般的に言えば、繰返し荷重が付加される特定の環境下において損傷にかかる時間である。疲労寿命消費評価は、プラントの設計及び計測の重要な部分であるだけでなく、プラントの運転寿命においても、いわゆる構造物疲労監視システムにより管理されなければならない。   Structural fatigue can be defined as material damage due to the gradual growth of microcracks under conditions of cyclic loading. Generally speaking, the fatigue life of a plant structure is the time taken for damage in a specific environment where a repeated load is applied. Fatigue life consumption assessment is not only an important part of plant design and measurement, but also the operational life of the plant must be managed by a so-called structural fatigue monitoring system.
航空機構造物の疲労寿命消費評価のために多数の監視システムが考えられてきた。こうしたシステムは、従来は軍用航空機に用いられていたが、最近では民間航空機の特定の用途にも用いられている。こうしたシステムには2つの主要な利点がある。すなわち、航空機の安全な運転を確実にすること及び全運転寿命における航空機の利用及びメンテナンス作業を最適化することにより所有コストを低減することである。   A number of monitoring systems have been considered for assessing the fatigue life consumption of aircraft structures. Such systems have traditionally been used for military aircraft, but have recently been used for specific applications in commercial aircraft. These systems have two major advantages. That is, ensuring the safe operation of the aircraft and reducing the cost of ownership by optimizing the use and maintenance work of the aircraft over its entire operating life.
殆どの疲労監視システムは、いくつかの特徴を有しており、これらの特徴は、システムの基本思想(system philosophy)、手法基準及び適用概念といった3つの主要な特徴に応じた疲労監視システムのグループ分類を可能にする。   Most fatigue monitoring systems have several characteristics, which are a group of fatigue monitoring systems according to three main characteristics: system philosophy, method criteria and application concepts. Allows classification.
システムの基本思想とは、システムのスコープ(機能範囲)を規定するものである。疲労監視システムは、その基本思想に応じて、損傷検出及び損傷予測の2つのグループに分割される。損傷検出グループのシステムの目的は、(構造物の疲労、又は腐食及び事故等のその他の原因による)偶発的損傷の位置及び深刻さを確認及び測定することである。一方、損傷予測カテゴリに属するシステムは、所定のセットから選択され、特定の航空機の用途を考慮して可能性のある損傷の位置及び/又は深刻さを推定する。   The basic idea of the system is to define the scope (functional range) of the system. The fatigue monitoring system is divided into two groups of damage detection and damage prediction according to the basic idea. The purpose of the damage detection group's system is to identify and measure the location and severity of accidental damage (due to structural fatigue, or other causes such as corrosion and accidents). On the other hand, systems belonging to the damage prediction category are selected from a predetermined set and estimate the location and / or severity of possible damage taking into account the particular aircraft application.
手法基準は、損傷の検出又は予測のためにシステムがどのような変数を用いるべきかを決定する。この2つの主要なグループは、直接手法及びパラメトリック手法と規定できる。直接手法のシステム(直接システム)は、外部モデルの補助を必要とせずに用いることのできる何らかの物理的変数を構造物において直接的に測定する。これは、システムが特定のデータのセットから汎用的な仮定を導くものであるため、帰納法である。例えば、システムは、構造物のいくつかの位置で歪みを測定する多数の歪みセンサを有し、その情報を用いて疲労及び耐損傷性を算出することができる。パラメトリック手法のシステム(パラメトリックシステム)は、航空機の一般的な運転パラメータを、特定モデルに入力するために用いて、必要なデータを取得する。これは、一般的な測定に基づいて構造物に関する特定の仮定を構築するものであるため、演繹法である。例えば、飛行サイクル及び飛行時間を用いて、航空機の利用を管理し、航空機の出動方針(sortie profile)に関するコードのセットに応じたメンテナンスプログラムを適用することができる。   Method criteria determine what variables the system should use for damage detection or prediction. The two main groups can be defined as direct methods and parametric methods. A direct approach system (direct system) measures directly in a structure some physical variable that can be used without the aid of an external model. This is an induction because the system derives generic assumptions from a particular set of data. For example, the system has a number of strain sensors that measure strain at several locations in the structure, and that information can be used to calculate fatigue and damage resistance. A parametric approach system (parametric system) uses the general operating parameters of an aircraft to input into a specific model to obtain the necessary data. This is a deductive method because it builds certain assumptions about the structure based on general measurements. For example, the flight cycle and time of flight can be used to manage aircraft usage and to apply a maintenance program according to a set of codes relating to the aircraft sortie profile.
いずれの手法にも長所及び短所がある。直接システムは、正確かつ精密である。なぜなら、位置の計算(損傷検出システム)又は亀裂発生及び亀裂成長の算出(損傷予測システム)に用いるパラメータは、構造物から直接的に測定されるためである。しかし、センサの搭載及びメンテナンスに要するコストは一般的に高い。一方、パラメトリックシステムは、一般的に、有益なデータを取得するために外部モデルを利用する必要性から正確性及び精度に欠ける(実際問題として、信頼性の高いパラメトリックシステムの実現に向けた最大の課題は、情報処理のための正確なモデル構築の複雑性にある)。しかし、パラメトリックシステムでは多くの場合、航空機に既に搭載された他のシステムからデータが取得されるため、直接システムに比べて低コストである。   Each method has advantages and disadvantages. The direct system is accurate and precise. This is because the parameters used for position calculation (damage detection system) or crack initiation and crack growth calculation (damage prediction system) are measured directly from the structure. However, the cost required for sensor mounting and maintenance is generally high. Parametric systems, on the other hand, generally lack accuracy and precision due to the need to use external models to obtain useful data (in practice, the biggest problem towards the realization of a reliable parametric system is The challenge is the complexity of building an accurate model for information processing). However, in many cases, parametric systems are less expensive than direct systems because data is acquired from other systems already installed on the aircraft.
歴史的には、パラメトリックシステムは、その簡潔性から直接システムよりも早く開発された(例えば、垂直荷重比率超過カウンタ)。技術が発展すると、益々洗練されたレコーダ(例えば、歪みデータレコーダ)が機内に搭載されるようになり、直接システムが利用され始め、長年にわたり好適な概念とされている。また、過去20年間には、パラメトリックデータを扱うモデル及び計算能力の向上により、パラメトリックシステムが再び利用されてきている。   Historically, parametric systems were developed earlier than direct systems because of their simplicity (eg, vertical load ratio excess counter). As technology develops, more and more sophisticated recorders (eg, distortion data recorders) are installed onboard, and direct systems have begun to be used and have been the preferred concept for many years. In the past 20 years, parametric systems have been used again due to improvements in models and processing capabilities for handling parametric data.
そして、監視の対象となる航空機の数及び追跡される期間に応じて、3つの適用概念が存在する。
-航空隊の各航空機が全運転寿命にわたって監視される個別航空機追跡(IAT)
-限られた数の航空機が限られた期間にわたって監視される一時的航空機追跡(TAT)
-航空隊のいくつかの航空機が全運転寿命にわたって監視される選択的航空機追跡(SAT)
There are three application concepts depending on the number of aircraft to be monitored and the time period being tracked.
-Individual Aircraft Tracking (IAT) where each aircraft in the fleet is monitored over the entire operating life
-Temporary Aircraft Tracking (TAT) where a limited number of aircraft are monitored over a limited period of time
-Selective Aircraft Tracking (SAT) where several aircraft in the fleet are monitored over the entire operating life
本発明は、直接予測システムの正確性及び精度並びに従来のパラメトリック予測システムの低コスト性を組み合わせた、個別航空機追跡が可能なパラメトリック予測方法及びパラメトリック予測システムを提供する。本発明は、航空機だけでなく、一般的パラメトリックデータが構造物の1つ又は複数の位置における歪みレベルに関連し得る如何なるプラント構造物(例えば、風力タービン、船舶、建造物、橋梁又はタワー)にも適用可能である。   The present invention provides a parametric prediction method and parametric prediction system capable of individual aircraft tracking that combines the accuracy and precision of a direct prediction system and the low cost of a conventional parametric prediction system. The present invention applies not only to aircraft, but to any plant structure (eg, wind turbine, ship, building, bridge or tower) where general parametric data may be related to the strain level at one or more locations in the structure. Is also applicable.
上記の問題点は、請求項1の方法及び請求項14のシステムにより解決することができる。従属請求項は、本発明の好適な例を規定している。   The above problems can be solved by the method of claim 1 and the system of claim 14. The dependent claims define preferred examples of the invention.
第一の態様において、本発明に係る構造物を監視するため方法は、
同一の又は異なるサンプリング速度を用いて、時系列(t1,t2,…tm)で同期して取得された複数の運転パラメータxi(tj)と少なくとも1つの歪みデータy(tj)とを有するデータを取得する取得ステップと、
前記取得ステップで取得された前記データから特徴点のデータセットを構築する構築ステップと、
非適応的な予測の教師付き関数近似法の学習を行うため、構築された前記特徴点の前記データセットを用いて前記運転パラメータxi(tj)と前記歪みデータy(tj)との関係をモデル化するモデル化ステップと
を含み、
前記特徴点の前記データセットを構築する前記構築ステップは、
各時間サンプルtj,j=1,…,m,について、以下のように規定されるデータ
であり、xi min、xi max、ymin及びymaxはそれぞれ、前記時系列(t1,t2…,tm)におけるxiの最小値、xiの最大値、yの最小値及びyの最大値である。)
前記データベクトル
を当該データベクトルの前記絶対値に応じて、それぞれのグループが所定範囲内の絶対値を有するデータを含むN個のグループにソートするソートステップと、
前記それぞれのグループ内の第一ベクトル及び第二ベクトル間の角度αを算出し、当該角度αが所定角度θ以下の場合に、前記第一ベクトル及び前記第二ベクトルのいずれかを消去する消去ステップと
を含むものである。
In a first aspect, a method for monitoring a structure according to the present invention comprises:
A plurality of operating parameters x i (t j ) and at least one distortion data y (t j ) acquired synchronously in time series (t 1 , t 2 ,... T m ) using the same or different sampling rates. And an acquisition step of acquiring data having
A construction step of constructing a feature point data set from the data obtained in the obtaining step;
In order to perform the supervised function approximation method of non-adaptive prediction, the operation parameter x i (t j ) and the distortion data y (t j ) are calculated using the constructed data set of the feature points. A modeling step for modeling the relationship,
The construction step of constructing the data set of the feature points includes:
For each time sample t j , j = 1, ..., m, the data specified as follows
In and, x i min, x i max, respectively y min and y max, the time series (t 1, t 2 ..., t m) the minimum value of x i in the maximum value of x i, the minimum value of y And the maximum value of y. )
The data vector
Sorting the data into N R groups containing data each group having an absolute value within a predetermined range according to the absolute value of the data vector;
An erasing step of calculating an angle α between the first vector and the second vector in each group, and erasing either the first vector or the second vector when the angle α is equal to or smaller than a predetermined angle θ. Is included.
歪みデータy(tj)は、構造物の1つ又は複数の構造位置において取得され得る。 The strain data y (t j ) can be acquired at one or more structural positions of the structure.
上記方法の好適例において、前記非適応的な予測の教師付き関数近似法の学習は、ANN(人工ニューラルネットワーク)により実行される。ただし、状態空間モデル、多項式、又は自己回帰モデル等の他の方法を用いることもできる。   In a preferred example of the above method, the learning of the non-adaptive prediction supervised function approximation method is performed by an ANN (artificial neural network). However, other methods such as state space models, polynomials, or autoregressive models can be used.
上記方法の例において、前記消去ステップにおいて、前記それぞれのグループにおいて、最小及び最大の歪み値を有する前記データベクトル
が残る。
In the example method, the data vector having minimum and maximum distortion values in the respective groups in the erasing step.
Remains.
上記方法の例において、前記それぞれのグループには、グループの最小の点個数が関連付けられており、前記消去ステップ後に一のグループにおいて残る前記特徴点の数が前記最小の点個数未満の場合に、当該一のグループは同一サイズの2つのグループに分割され、元の前記一のグループにおいて前記特徴点の前記最小の点個数が残るまで前記消去ステップが繰返される。   In the above method example, when each group is associated with the minimum number of points of the group, and the number of the feature points remaining in one group after the erasing step is less than the minimum number of points, The one group is divided into two groups of the same size, and the erasing step is repeated until the minimum number of feature points remains in the original one group.
上記方法の例において、前記特徴点の前記データセットを構築する前記構築ステップに先立って、取得された前記データ(xi,y)に対する前処理が行われ、当該前処理を行う前処理ステップは、好適には、誤り検出アルゴリズム及び誤り訂正アルゴリズムと、正規化と、フィルタリングと、リサンプリングと、低周波データセットの生成とのアプリケーションから選ばれる少なくとも1つを含む。好適な例において、取得された前記データ(xi,y)に対して前記前処理を行う前記前処理ステップは、前記低周波データセットの生成を含み、前記特徴点の前記データセットは、前記低周波データセットから構築される。 In the above method example, prior to the construction step of constructing the data set of the feature points, a pre-processing is performed on the acquired data (x i , y), and the pre-processing step of performing the pre-processing includes: , Preferably including at least one selected from applications of error detection and error correction algorithms, normalization, filtering, resampling, and generation of low frequency data sets. In a preferred example, the preprocessing step of performing the preprocessing on the acquired data (x i , y) includes generating the low-frequency data set, and the data set of the feature points includes Constructed from a low frequency data set.
上記方法は、前記特徴点の前記データセットに含まれていない前記取得されたデータと、任意であるが前記特徴点の前記データセットから選択された特徴点とを用いて、前記運転パラメータxi(tj)及び前記歪みデータy(tj)とのモデル化された前記関係を検証する検証ステップを含むことができる。本例において、上記方法は、好適には、前記学習及び前記検証後のモデル化された前記関係に、縮小されていない元の前記低周波データセットを与える付与ステップと、当該付与ステップにより得られた前記モデル出力の比率として調整係数を算出する調整係数算出ステップとを含む。 The method, the use and the being the acquired not listed in data set data of feature points, the feature points wherein the selected from the data set is arbitrary characteristic points, the operating parameters x i A verification step of verifying the modeled relationship between (t j ) and the distortion data y (t j ) may be included. In this example, the method is preferably obtained by applying an unreduced original low-frequency data set to the modeled relationship after learning and verification, and the applying step. and including an adjustment coefficient calculation step of calculating an adjustment coefficient as a ratio of the model output.
一例において、上記方法は、前記学習及び前記検証後のモデルと、取得された前記運転パラメータと、算出された前記調整係数と、任意であるが前記前処理が行われている前記取得された運転パラメータとに基づいて、少なくとも1つの構造物の歪みの履歴を算出する履歴算出ステップを含む。上記方法は、取得されたパラメータに対して前処理を行う追加的な前処理ステップを含むことができる。   In one example, the method includes the acquired driving that has undergone the learning and the verification, the acquired operating parameter, the calculated adjustment factor, and optionally the pre-processing. And a history calculation step of calculating a history of distortion of at least one structure based on the parameters. The method may include an additional preprocessing step for preprocessing the acquired parameters.
一例において、上記方法は、前記調整係数を用いて訂正歪みを算出する訂正歪み算出ステップを含む。   In one example, the method includes a correction distortion calculating step of calculating correction distortion using the adjustment coefficient.
一例において、取得された前記運転パラメータには、前記前処理が行われており、当該前処理ステップは、元の全帯域の歪みを生成する生成ステップを含み、前記方法はさらに、前記全帯域の歪みと、算出された前記歪みとを比較することにより、稼働中の継続的なシステムの動作を検査する検査ステップを含む。上記方法は、検査された稼働中の継続的なシステムの動作が悪い結果を示す場合には、訂正タスクを実行する訂正タスク実行ステップを含むことができる。訂正タスクは、モデル化された関係の更新及び/又は特徴点のデータセットの更新を含むことができる。
In one example, the acquired operating parameters are pre-processed, and the pre-processing step includes a generation step of generating distortion of the original full band, and the method further includes: A test step of checking the operation of the continuous system in operation by comparing the strain with the calculated strain. The method can include a corrective task execution step of executing a corrective task if the inspected continuous system operation in operation indicates poor results. Correction tasks may include updating modeled relationships and / or updating feature point datasets.
一例において、算出された前記歪みを用いて、少なくとも1つの構造物の疲労寿命及び耐損傷性の消耗を算出する消耗算出ステップを含む。 In one example, the method includes a consumption calculation step of calculating fatigue life and damage resistance consumption of at least one structure using the calculated strain.
取得されたデータ及び/又は算出された出力は、データベースに記憶され得る。   The acquired data and / or the calculated output can be stored in a database.
好適な例において、上記方法は、航空機構造物に適用され、前記運転パラメータxi(tj)はN個の航空機から取得され、前記歪みデータy(tj)は、M個の参照航空機から取得され、Mは、N以下である。好適には、Mは、Nの約10%〜20%である。歪みデータy(tj)は、それぞれの参照航空機の1つの構造位置において取得することができ、好適には、それぞれの参照航空機の2つ以上の位置において取得される。 In a preferred example, the method is applied to an aircraft structure, the operating parameters x i (t j ) are obtained from N aircraft, and the distortion data y (t j ) is obtained from M reference aircraft. Acquired, M is N or less. Preferably, M is about 10% to 20% of N. The strain data y (t j ) can be acquired at one structural location of each reference aircraft, and preferably is acquired at more than one location of each reference aircraft.
第二の発明の態様において、本発明は、構造物を監視するためのシステムであって、少なくとも1つの構造物において、当該構造物の選択された位置に搭載された少なくとも1つの物理的歪みセンサから運転パラメータを収集するよう適合された取得・記録装置と、上記第一の発明の態様によるステップを行うよう適合された処理部とを有するシステムを規定する。   In a second aspect of the invention, the present invention is a system for monitoring a structure, wherein at least one physical strain sensor is mounted in a selected position of the structure in at least one structure. Defines a system having an acquisition and recording device adapted to collect operating parameters from a processor and a processing unit adapted to perform the steps according to the first aspect of the invention.
好適な例において、監視される前記構造物は少なくとも1つの航空機である。この場合において、前記取得・記録装置は、好適には、前記航空機から航空機の運転パラメータを収集し、前記少なくとも1つの物理的歪みセンサが参照航空機に搭載されている場合は当該物理的センサから歪み信号を収集する、航空機のコンピュータ及び/又は専用センサに接続されている装置である。上記処理部は、地上の処理装置において実装され得る。   In a preferred example, the structure to be monitored is at least one aircraft. In this case, the acquisition / recording device preferably collects the operating parameters of the aircraft from the aircraft and, if the at least one physical strain sensor is mounted on a reference aircraft, the strain from the physical sensor. A device connected to an aircraft computer and / or a dedicated sensor that collects signals. The processing unit can be implemented in a ground processing device.
本発明の方法及びシステムは、非適応的な予測の教師付き関数近似法(例えば、ANN)を用いて構成される仮想歪みセンサであり、構造物の所定位置のセットにおける亀裂発生及び亀裂成長の推定に用いられ得る荷重の時系列を生成することが可能な仮想歪みセンサのセットと考えることができる。特に、本発明は、プラント構造物の通常の運転データから当該プラント構造物の選択位置における歪みを算出する仮想歪みセンサのセットの実現を可能にする方法及びシステムに関する。本発明の方法及びシステムは、構造物のある所定位置における亀裂発生時及び後の亀裂成長速度の推定を可能することにより、当該構造物の実際の運転を考慮したメンテナンスプログラムを完全なものとする追加の手段を提供する。   The method and system of the present invention is a virtual strain sensor constructed using a non-adaptive prediction supervised function approximation method (e.g., ANN) for crack initiation and crack growth in a predetermined set of structures. It can be thought of as a set of virtual strain sensors capable of generating a time series of loads that can be used for estimation. In particular, the present invention relates to a method and system that enables the realization of a set of virtual strain sensors that calculate the strain at a selected position of the plant structure from normal operating data of the plant structure. The method and system of the present invention completes a maintenance program that takes into account the actual operation of the structure by allowing estimation of the rate of crack growth at and after the occurrence of a crack at a given location of the structure. Provide additional means.
本明細書(特許請求の範囲、明細書及び図面等)に記載の全ての特徴及び/又は記載の方法の全てのステップは、相互に排他的な特徴及び/又はステップの組合せを除いて、任意に組合せることができる。   All features described in this specification (claims, specification, drawings, etc.) and / or all steps of the described method are optional except for mutually exclusive features and / or combinations of steps. Can be combined.
本発明の方法の好適な実施形態に係る、データ冗長性除去ステップを示すフローチャートである。6 is a flowchart illustrating data redundancy removal steps according to a preferred embodiment of the method of the present invention. 冗長性の高いデータセットのソート処理、及び、ソートされたデータが、類似の絶対値を有するグループに分割された状態を示す図である。It is a figure which shows the state by which the sorting process of a highly redundant data set and the sorted data were divided | segmented into the group which has a similar absolute value. モデル化の対象となる、パラメータと構造物歪みとの関係を明瞭化するための(時間非依存的な)自律的一価関数の一例を示す図である。It is a figure which shows an example of the autonomous monovalent | monohydric function (it is time-independent) for clarifying the relationship between the parameter and structure distortion used as modeling object. 本発明の方法の好適な実施形態に係るフローチャートである。3 is a flowchart according to a preferred embodiment of the method of the present invention. 本発明の方法の一実施形態に係る、ANN(人工ニューラルネットワーク)に基づく仮想歪みセンサから得られる荷重時系列を用いた疲労寿命予測及び亀裂成長算出のステップを含むフローチャートである。6 is a flowchart including steps of fatigue life prediction and crack growth calculation using a load time series obtained from a virtual strain sensor based on an ANN (artificial neural network), according to an embodiment of the method of the present invention. 冗長データの除去のためのデータ縮小処理の例を示す図である。It is a figure which shows the example of the data reduction process for the removal of redundant data. 冗長データの除去のためのデータ縮小処理の別の例を示す図である。It is a figure which shows another example of the data reduction process for the removal of redundant data. 本方法の好適な実施形態に係る、継続的なシステムの自己検証のステップを含むフローチャートである。Fig. 6 is a flow chart including the steps of continuous system self-verification according to a preferred embodiment of the method.
本発明並びにその目的及び効果のより良い理解のために、図面を本明細書に添付する。   For a better understanding of the present invention and its objects and advantages, the drawings are appended hereto.
図1、4、5及び7は、本発明の好適な実施形態に係る、構造物を監視するための方法を示すフローチャートである。 1, 4 , 5 and 7 are flowcharts illustrating a method for monitoring a structure according to a preferred embodiment of the present invention.
本方法は、航空機の監視に適用されるものとして説明するが、例えば、橋梁又は船舶といった他の構造物にも適用可能である。監視される構造物に応じて、異なる運転パラメータ(すなわち、当該構造物の歪みに影響を与えるものとして知られるパラメータ)が用いられることになる。   Although the method is described as being applied to aircraft monitoring, it is also applicable to other structures such as bridges or ships, for example. Depending on the structure being monitored, different operating parameters (i.e. parameters known to affect the distortion of the structure) will be used.
本方法は、1回のフライト又は複数回のフライトにおいて、同期して記録されたパラメータ信号データxiのグループ及び歪み信号データを含むデータyを用いて開始される(図1を参照のこと)。このデータセットは、取得されて、処理装置にダウンロードされる。処理装置においては、誤り検出及び誤り訂正、フィルタリング並びにリサンプリングのステップを含む前処理が上記データセットに対して行われる。これにより、サンプリング速度及び帯域がそれぞれ等しい訂正信号から成る、いわゆる低周波データセットが取得される(図のステップ22を参照のこと)。 The method starts with a group of parameter signal data x i recorded synchronously and data y containing distortion signal data in one flight or multiple flights (see FIG. 1). . This data set is acquired and downloaded to the processing device. In the processing apparatus, preprocessing including error detection and error correction, filtering, and resampling steps is performed on the data set. As a result, a so-called low frequency data set consisting of correction signals each having the same sampling rate and band is obtained (see step 22 in FIG. 4 ).
時間(t1,t2,…tm)に取得されたデータセットは、以下の多次元データセットとして理解できる。
A data set acquired at time (t 1 , t 2 ,... T m ) can be understood as the following multidimensional data set.
ここで、歪み信号y及びパラメータ信号xiは、関数関係によって結びついているものであり、パラメータ信号xiは独立変数であり、歪み信号yは以下のような関数関係の従属変数である。
Here, the distortion signal y and the parameter signal x i are connected by a functional relationship, the parameter signal x i is an independent variable, and the distortion signal y is a dependent variable having the following functional relationship.
本方法の目的は、モデルに当てはまる最小のデータ量を使用するため、データセットの冗長性(但し、当該冗長性が存在する場合には)を除去することである。したがって、データは、比較対象となるベクトル
の記録であると考えられる。
The purpose of the method is to remove the redundancy of the data set (if such redundancy exists) to use the smallest amount of data that fits the model. Therefore, the data is a vector to be compared.
It is thought that this is a record.
パラメータxi及び歪み信号yを含む、前処理されたデータセットは、セレクタに入力される(ステップ10)。セレクタは、算出点tj毎に、関数関係を有するパラメータ信号xiと、当該パラメータ信号xiと関数関係で対応する歪み信号yとを関連付ける。各算出点tjにおいて、データはベクトル化されて(ステップ11)、当該ベクトル化されたデータ
は正規化され、それらの絶対値が評価される(ステップ12)。
The preprocessed data set including parameters x i and distortion signal y is input to the selector (step 10). For each calculation point t j , the selector associates a parameter signal x i having a functional relationship with a distortion signal y corresponding to the parameter signal x i in a functional relationship. At each calculation point t j , the data is vectorized (step 11), and the vectorized data
Are normalized and their absolute values are evaluated (step 12).
好適には、前処理ステップの正規化においては、物理的パラメータ範囲を正規化範囲[−1,1]内に変換するために、xi及びyの最大値及び最小値が特定される。
(1)低い絶対値及び大きな変動を有する第一領域
(2)中程度の絶対値及び小さな変動を有する第二領域
(3)高い絶対値及び大きな変動を有する第三領域
Preferably, in the normalization of the preprocessing step, the maximum and minimum values of x i and y are specified in order to convert the physical parameter range into the normalized range [−1, 1].
(1) First region with low absolute value and large variation (2) Second region with medium absolute value and small variation (3) Third region with high absolute value and large variation
冗長データを無視してデータ数を減らすために、所定の2つのパラメータを用いて冗長性が評価される(ステップ14)。2つのパラメータとは、2つのデータベクトル間の相関的多次元距離(θ)及び算出グループの数(NR)であり、前者は角度の比較、後者は絶対値の比較のために用いられる。 In order to reduce the number of data by ignoring redundant data, redundancy is evaluated using two predetermined parameters (step 14). The two parameters are the relative multidimensional distance (θ) and the number of calculation groups (N R ) between two data vectors, the former being used for angle comparison and the latter for absolute value comparison.
それから、データベクトル同士を比較するための第一フィルタリングとして、データは、それぞれが類似する絶対値を有するN個のグループに分割され、それぞれのグループに含まれる全てのデータベクトルは規定範囲内の絶対値を有することになる(図を参照のこと)。それぞれのグループに含まれるベクトル数は、統計分布の領域により決定される。例えば、図2の第一領域及び第三領域においては、大きな絶対値の変動により、それぞれのグループに殆どベクトルが存在しない。一方、第二領域においては、当該領域における絶対値の変動は小さいため、多くのベクトルが存在する。 Then, as the first filtering for comparing the data vectors, the data is divided into N R groups each having a similar absolute value, and all the data vectors included in each group are within a specified range. Will have an absolute value (see FIG. 2 ). The number of vectors included in each group is determined by the statistical distribution area. For example, in the first region and the third region in FIG. 2, there are almost no vectors in each group due to a large variation in absolute value. On the other hand, in the second region, since the variation of the absolute value in the region is small, there are many vectors.
上記の演算がそれぞれのグループの全ての対のベクトルについて行われると、それぞれのグループの特徴点のみが残り、全ての冗長データが消去されるはずである。冗長性評価の結果は、所定のパラメータ(θ,NR)に基づいて、Mのデータセットにおける特徴点の位置のセットとなる(ステップ15)。そして、この情報を用いて、記録及び前処理されたデータセット、つまりMは、特徴点で構成される学習データセットの取得(ステップ16)及び冗長情報を含む検証データセットの取得(ステップ17)のために分割される。 When the above operation is performed on all pairs of vectors in each group, only the feature points of each group remain and all redundant data should be erased. The result of the redundancy evaluation is a set of feature point positions in the M data sets based on predetermined parameters (θ, N R ) (step 15). Then, using this information, a recorded and preprocessed data set, that is, M is acquired as a learning data set composed of feature points (step 16) and a verification data set including redundant information (step 17). Divided for.
は、特徴点のデータセットの構成の2つの例を示す図である。図Aにおいて、点の密度が高い領域を含む二次元のデータセットが示されている。この例において、変数x1,x2は2つの飛行パラメータ(それぞれ、マッハ数及び垂直荷重比率)である。特定の正確な円Δに関して、点の密度が高い領域の重心(G)が割り出され、当該円内の全ての点Zは、図示された円が示す所定の精度で、重心(G)に位置する特徴点により表されると考えられる。この精度は、あるモデルに特徴点Gが当てはめられた場合に、上記円内の点が所定の精度で補間され得る上で適切なものであり、これにより、特徴点Gが特徴点Xを含む円部分を表し、円内の他の点は消去される。円の部分の外側にある点(例えば、X)は維持される。このように、特徴点Xは、当該特徴点が表す(複数の)点に基づく分布という観点で、統計的意味を有する。 FIG. 6 is a diagram illustrating two examples of the configuration of the feature point data set. In FIG. 6 A, the density of points is shown a two-dimensional data set including a high region. In this example, the variables x 1 and x 2 are two flight parameters (Mach number and vertical load ratio, respectively). With respect to a specific accurate circle Δ, the center of gravity (G) of the area where the density of the points is high is determined, and all the points Z in the circle are centered on the center of gravity (G) with a predetermined accuracy indicated by the circle shown It is thought that it is represented by the feature point located. This accuracy, when fitted the feature point G in one model are those suitable in terms of points in the circle can be interpolated with predetermined accuracy, thereby, a characteristic point X 1 feature point G Represents the portion of the circle that contains it, and other points within the circle are erased. Points that are outside the portion of the circle (eg, X 2 ) are maintained. Thus, the feature point X 1 is a perspective of the feature point is represented based on a (plurality of) point distribution, with a statistical significance.
Bは、先述した例の多次元解釈を風配図で示す図であり、各方向は、変数(例えば、マッハ数、高度、垂直荷重比率、エンジン推力、補助翼の変位量、昇降舵の変位量、総重量及び重心)を表す。この多次元表現において、各点Xはポリゴンにより表されており、特徴点Gを取り囲むクラウン形のポリゴンΔ−Δが、先述した二次元表現における円に対応している。したがって、クラウンに含まれる全てのポリゴンXは、その特徴点Gにより表されており、特徴点Gは多次元分布の統計的意味を有する。 Figure 6 B is a diagram showing in Kazehai view multidimensional interpretation of the foregoing described example, each direction, variable (e.g., Mach number, altitude, vertical load ratio, engine thrust, the displacement amount of the aileron, elevator Displacement amount, total weight and center of gravity). In this multidimensional representation, each point X is represented by a polygon, and the crown-shaped polygons Δ 12 surrounding the feature point G correspond to the circle in the above-described two-dimensional representation. Therefore, all the polygons X included in the crown are represented by the feature points G, and the feature points G have a statistical meaning of multidimensional distribution.
パラメータx1のデータ(パラメトリックデータx1)の取得は、他の航空機のコンピュータ及び/又は専用センサから適切な航空機パラメータを取得するために機内に搭載されたレコーダにより行うことができる。センサとレコーダとの接続は、標準データバス及びデジタル伝送プロトコル(例えば、ARINC429、MIL1553B及びRS232等)を用いて行うことができ、レコーダは、好適にはそうした全てのデータ形式に対応可能な取得インタフェースを有する。パラメトリックデータは、同期して記録される必要がある。パラメトリックデータは、例えば、航空機の既存のコンピュータ、エンジン制御部、着陸ギアブレーキ及び操舵装置、航空機制御、大気データ、慣性データ、重量及び重心又は中央管理から抽出することができる。パラメトリックデータの例としては、速度、高度、垂直荷重比率及びマッハ数等が挙げられる。 The parameter x 1 data (parametric data x 1 ) can be acquired by a recorder installed in the aircraft in order to acquire appropriate aircraft parameters from other aircraft computers and / or dedicated sensors. Sensors and recorders can be connected using standard data buses and digital transmission protocols (eg, ARINC429, MIL1553B, RS232, etc.), and the recorder preferably has an acquisition interface that can accommodate all such data formats. Have Parametric data needs to be recorded synchronously. Parametric data can be extracted from, for example, existing aircraft computers, engine controls, landing gear brakes and steering devices, aircraft controls, atmospheric data, inertial data, weight and center of gravity or central management. Examples of parametric data include speed, altitude, vertical load ratio, Mach number, and the like.
また、歪みデータyは、航空隊のサブセット(好適には、航空隊の様々な構造形態それぞれの代表的な航空機)に搭載された少なくとも1つの物理的歪みセンサにより取得される。歪みセンサはレコーダにアナログ的に接続され、レコーダは、用いられる特定の歪みセンサの必要な取得部品全てを有する必要がある。あるいは、歪みセンサはレコーダにデジタル的に接続され、他の装置からデータを取得する。この場合は、レコーダは、上記仲介装置のデータの伝送プロトコルと互換性を有し、航空機のパラメータとの同期を維持する必要がある。   Also, the strain data y is acquired by at least one physical strain sensor mounted on a subset of the fleet (preferably a representative aircraft for each of the various structural forms of the fleet). The strain sensor is connected to the recorder in an analog fashion, and the recorder needs to have all the necessary acquisition components for the particular strain sensor used. Alternatively, the strain sensor is digitally connected to the recorder and acquires data from other devices. In this case, the recorder must be compatible with the data transmission protocol of the intermediary device and maintain synchronization with the aircraft parameters.
上記方法の主要な目的は、構造物の1つ又は複数の位置で測定される歪みy(従属変数)と運動パラメータx1(例えば、速度、高度及び垂直荷重比率等の独立変数)との関数関係を構築することである。この関数関係は、いくつかの条件が満たされた場合に、非適応的な予測の教師付き関数近似法(例えば、ANN)を用いてモデル化することができる。なお、ANNを参照するが、如何なる他の非適応的な予測の教師付き関数近似法も用いられ得ることについては理解されよう。 The main purpose of the above method is a function of the strain y (dependent variable) measured at one or more positions of the structure and the motion parameters x 1 (eg independent variables such as speed, altitude and vertical load ratio). Is to build a relationship. This functional relationship can be modeled using a non-adaptive supervised function approximation method (eg, ANN) when several conditions are met. It should be understood that while referring to ANN, any other non-adaptive prediction supervised function approximation method may be used.
第一に、関数関係は唯一に評価されなければならない。すなわち、運転パラメータの各組み合わせに対して、関数関係は1つ存在する必要があり、歪み値は1つのみとなる。このことは、図において例と共に説明される。1つのみの運転パラメータx1(例えば、マッハ数(図3(a)を参照のこと))を用いて飛行中の構造物のいくつかの位置における歪みを近似させることが望ましいとする。この例においては、

のそれぞれにおいて最大3つの歪み値が見られるため、関数関係は、

の間で唯一に評価されない。したがって、この場合は、上記間隔において唯一の関数関係が存在しない。しかし、もし上記歪みに対する運転範囲において複数に評価されない第二パラメータx2(例えば、高度(図3(b)を参照のこと))が関数関係に加われば、高度及びマッハと歪みとの汎用的な関係は唯一に評価される(図3(c)参照のこと)。したがって、関数関係に十分な変数を導入することにより、パラメータの運転範囲内で当該関数関係を人工ニューラルネットワークで近似させることができる(図3(c)の点A〜Dを参照のこと)。
First, functional relationships must only be evaluated. That is, for each combination of operation parameters, one functional relationship needs to exist, and there is only one distortion value. This is explained with examples in Fig. Suppose that it is desirable to approximate the distortion at several locations of the structure in flight using only one operating parameter x 1 (eg Mach number (see FIG. 3 (a) )). In this example,

Since up to three distortion values can be seen in each of the above, the functional relationship is

Not only evaluated between. Therefore, in this case, there is no unique functional relationship in the interval. However, if a second parameter x 2 (for example, altitude (see FIG. 3B )) that is not evaluated in plural in the operating range for the distortion is added to the functional relationship, the altitude and the general purpose of Mach and distortion This relationship is uniquely evaluated ( see FIG. 3 (c) ). Therefore, by introducing sufficient variables in the function relationship, the function relationship can be approximated by an artificial neural network within the operating range of the parameters ( see points A to D in FIG. 3C ).
また、関数関係は、自律的かつ時間非依存的でなければならない。全ての歪み値は、運転パラメータによって決定されなければならず、時間サンプルにより決定されてはならない。   Also, the functional relationship must be autonomous and time independent. All strain values must be determined by operating parameters and not by time samples.
そして、モデルへの当てはめに用いられる、データのサンプリング速度及び帯域並びにパラメータ及び歪みは等しくなければならない。   And the sampling rate and bandwidth of the data and parameters and distortion used for fitting to the model must be equal.
上記の3つの条件を満たすために、構造物の各歪み測定点は、何よりも大きな影響を関数関係に与える基本パラメータの集合(グループ)を有する必要がある。パラメータの影響は、構造物の領域によりグループ化することができる。例えば、航空機の翼付け根における最も重要なパラメータの1つは、重心で測定される垂直荷重比率であり、機体の主要な荷重のいくらかは、機室差圧により生じるため、これらのパラメータはそうした構造部品における歪みを特定する際の基準となる。   In order to satisfy the above three conditions, each strain measurement point of the structure needs to have a set (group) of basic parameters that give the greatest influence on the functional relationship. The effect of parameters can be grouped by structure area. For example, one of the most important parameters at the base of an aircraft wing is the vertical load ratio measured at the center of gravity, and some of the main load of the fuselage is caused by cabin differential pressure, so these parameters are This is a standard for identifying distortion in a part.
したがって、パラメトリックデータと歪みとの関係は、人工ニューラルネットワークを用いてモデル化され、特徴点のデータセットを用いて学習される。   Therefore, the relationship between parametric data and distortion is modeled using an artificial neural network and learned using a feature point data set.
は、モデルへの当てはめに用いられる処理を示す。処理の開始点は、歪み計が搭載された航空機の機内に搭載されたレコーダによるデータ取得であり、運転パラメータxi及び歪み計信号yを含むデータセットが生成される。それから、(歪みyそのものと共に)各歪み測定点に関連する運転パラメータxiが上記データセットから抽出され(ステップ20)、サブセット{xi,y}が生成される。サブセット{xi,yは、前処理される(ステップ21)。前処理は、好適には、例えば、誤り検出及び誤り訂正と、信号同期(すなわち、遅延除去)と、帯域同士をマッチ(照合)させて、高周波データセットへの分割(ステップ27)及び低周波データセットへの分割(ステップ22)を行うための信号フィルタリングと、サンプリング速度同士を照合するための信号リサンプリングとを含む。低周波データセットは、帯域及びサンプリング速度がそれぞれ等しいパラメータ
i及び歪みyを含み(ステップ22)、人工ニューラルネットワークへの当てはめに用いられる(ステップ25)。一方、高周波データセットは、全帯域の歪みデータを含み(ステップ27)、調整係数を算出するために用いられる(ステップ28)。
FIG. 4 shows the process used to fit the model. Starting point of the process is a data acquisition by the recorder mounted on board the aircraft strain gauge is mounted, the data set containing operating parameters x i and strain gauge signal y is generated. Then, the operational parameters x i associated with each strain measurement point (along with the strain y itself) are extracted from the data set (step 20) and a subset {x i, y} is generated. The subset {x i, y is preprocessed (step 21). The pre-processing preferably includes, for example, error detection and error correction, signal synchronization (ie, delay removal), band matching, collation into high frequency data sets (step 27) and low frequency This includes signal filtering for dividing into data sets (step 22) and signal resampling for matching sampling rates. The low frequency data set includes parameters x i and distortion y with equal bandwidth and sampling rate, respectively (step 22), and is used for fitting to the artificial neural network (step 25). On the other hand, the high frequency data set includes distortion data of the entire band (step 27) and is used to calculate an adjustment coefficient (step 28).
そして、低周波データセットは、データ縮小アルゴリズムのフローチャートの流れに導入されて(ステップ22)、学習データセット、つまり人工ニューラルネットワークに当てはめるための低周波データセットの特徴点の取得(ステップ23)と、検証データセット、つまり低周波データセットの冗長情報の取得(ステップ24)とが行われる。一般的に、特徴点と非特徴点との割合は、100対1とすることができ、これは、人工ニューラルネットワークの学習を容易にする。(ステップ23の)学習データセットは、人工ニューラルネットワークモデルの学習のために用いられる(ステップ25)。(ステップ25の)学習後の人工ニューラルネットワークに、(ステップ24の)冗長データセットを与えることにより、モデルが検証され得る(ステップ26)。検証エラーが学習エラーに類似する場合には、処理が継続し、調整係数が算出される(ステップ28)。検証エラーが学習エラーに類似しない場合には、学習データ及び/又はモデルは変更されなければならない。学習及び検証後の人工ニューラルネットワークモデルと、(ステップ27の)全帯域歪みデータセットとを用いて、調整係数(AF)が取得される(ステップ28)。調整係数(AF)を取得するための方法は、全帯域の歪みの時系列から算出された疲労寿命と、人工ニューラルネットワークモデルから得られたシミュレーション歪みの時系列から算出された疲労寿命との比率の評価を含む。したがって、調整係数(AF)は、人工ニューラルネットワークモデルの出力(低周波算出歪み)と全帯域歪みとの間の疲労損傷の比率を示す。また、調整係数(AF)は、高周波とモデルの性能上の効果との補償のために、仮想センサ出力疲労算出に利用され得る。そして、調整係数(AF)は、人工ニューラルモデルに組込まれて(ステップ29)、人工ニューラルモデルが完成される。こうして、人工ニューラルモデルの最終セット及び調整係数は、後続する損傷算出ステップにおいて実装される状態となる。   Then, the low frequency data set is introduced into the flow chart of the data reduction algorithm (step 22), and the characteristic points of the low frequency data set to be applied to the learning data set, that is, the artificial neural network (step 23), and The redundant information of the verification data set, that is, the low frequency data set is acquired (step 24). In general, the ratio of feature points to non-feature points can be 100 to 1, which facilitates learning of artificial neural networks. The learning data set (from step 23) is used for learning the artificial neural network model (step 25). The model can be validated (step 26) by providing the trained artificial neural network (step 25) with a redundant data set (step 24). If the verification error is similar to the learning error, processing continues and an adjustment factor is calculated (step 28). If the validation error is not similar to the learning error, the learning data and / or model must be changed. An adjustment factor (AF) is obtained (step 28) using the artificial neural network model after learning and verification and the entire band distortion data set (from step 27). The method for obtaining the adjustment factor (AF) is the ratio between the fatigue life calculated from the strain time series of the entire band and the fatigue life calculated from the simulation strain time series obtained from the artificial neural network model. Including the evaluation of Therefore, the adjustment factor (AF) indicates the ratio of fatigue damage between the output of the artificial neural network model (low frequency calculated strain) and the full-band strain. Also, the adjustment factor (AF) can be used for virtual sensor output fatigue calculation to compensate for high frequency and model performance effects. Then, the adjustment coefficient (AF) is incorporated into the artificial neural model (step 29), and the artificial neural model is completed. In this way, the final set of artificial neural models and adjustment factors are ready for implementation in subsequent damage calculation steps.
は、本発明の好適な実施形態に係る、特定位置における疲労損傷の算出ステップを含む方法の動作を示す図である。パラメトリックデータxiを含むデータが、レコーダからダウンロードされて(ステップ20)、前処理(例えば、誤り検出及び誤り訂正、同期、フィルタリング並びにリサンプリング)が行われる(ステップ21)。(後に利用される)適切な調整係数を有する、(ステップ29の)学習及び検証後の人工ニューラルネットワークモデルには、算出歪み値の時間履歴を取得するために、前処理されたデータが入力される(ステップ30)。また、ステップ31で算出された算出歪み(圧力)時間履歴を用いて、選択された位置又はその周辺における疲労及び亀裂成長が分析され(ステップ32)、その位置の調整係数を利用して実際の疲労寿命消費及び/又は亀裂成長が評価される。この処理は、航空隊の各航空機の選択された歪み位置全てに対して行われ得る。 FIG. 5 is a diagram illustrating an operation of a method including a step of calculating fatigue damage at a specific position according to a preferred embodiment of the present invention. Data including the parametric data x i is downloaded from the recorder (step 20), and pre-processing (eg, error detection and error correction, synchronization, filtering, and resampling) is performed (step 21). An artificial neural network model after learning and verification (in step 29) with an appropriate adjustment factor (used later) is input with preprocessed data to obtain a time history of calculated distortion values. (Step 30). Further, using the calculated strain (pressure) time history calculated in step 31, fatigue and crack growth at or around the selected position are analyzed (step 32), and an actual adjustment coefficient using the position adjustment factor is analyzed. Fatigue life consumption and / or crack growth is evaluated. This process may be performed for all selected distortion locations of each aircraft in the air fleet.
は、本発明の一実施形態に係る、物理的歪みセンサが搭載されている航空隊の航空機に適用することが可能な、人工ニューラルモデルに基づくモデルの継続的な動作(いわゆる継続的自己検証)のステップを含む方法を示す図である。 FIG. 7 illustrates the continuous operation of a model based on an artificial neural model (so-called continuous self It is a figure which shows the method including the step of verification.
左側部分のフローチャート(灰色部分)は、実質的に図と同じ、つまりシステムの稼働中のワークフローである。フローチャートの右側部分(黒色部分)は、システムの自己検証を含む。パラメトリックデータxi及び歪みデータyを含む取得データがダウンロードされ(ステップ20)、歪みセンサ信号yが抽出される。歪みセンサ信号yには、前処理(例えば、誤り検出及び誤り訂正並びにフィルタリング)が行われる(ステップ21)。前処理により全帯域歪みデータが出力され(ステップ27)、当該全帯域歪みデータを用いて、実際の歪み時間履歴が取得される(ステップ40)。そして、歪み測定から実際の歪み時系列が取得され(ステップ40)、この実際の歪み時系列は、人工ニューラルネットワークにより算出された(ステップ31の)算出歪み時系列と比較され、調整係数を用いて訂正される(比較は、時系列、レインフロー解析で得られた歪みスペクトル及び疲労寿命等に関して行われ得る)。比較の結果の確認により、所定のマージン内であるか否か判定される(ステップ41)。この(ステップ41の)比較の結果が所定のマージン内である場合は、人工ニューラルネットワークに基づくモデルは有効であると判定される(ステップ43)。この(ステップ41の)比較の結果が所定のマージン内でない場合は、人工ニューラルネットワークに基づくモデルはモデル算出の手順に従って更新される必要がある(ステップ42)。 The flowchart (gray part) in the left part is substantially the same as FIG. 5 , that is, the workflow during operation of the system. The right part of the flowchart (black part) contains the system self-verification. Acquired data including parametric data x i and distortion data y is downloaded (step 20), and distortion sensor signal y is extracted. The distortion sensor signal y is subjected to preprocessing (for example, error detection, error correction, and filtering) (step 21). All-band distortion data is output by the preprocessing (step 27), and an actual distortion time history is acquired using the all-band distortion data (step 40). Then, an actual distortion time series is obtained from the distortion measurement (step 40), and this actual distortion time series is compared with the calculated distortion time series (in step 31) calculated by the artificial neural network, and the adjustment coefficient is used. (Comparison can be made with respect to time series, strain spectra obtained by rainflow analysis, fatigue life, etc.). By checking the comparison result, it is determined whether or not it is within a predetermined margin (step 41). If the result of this comparison (in step 41) is within a predetermined margin, it is determined that the model based on the artificial neural network is valid (step 43). If the result of the comparison (in step 41) is not within a predetermined margin, the model based on the artificial neural network needs to be updated according to the model calculation procedure (step 42).

Claims (15)

  1. 構造物を監視するための方法であって、
    同一の又は異なるサンプリング速度を用いて、時系列tj,j=1,…,m,で同期して取得された複数の運転パラメータxi(tj)と少なくとも1つの歪みデータy(tj)とを有するデータを取得する取得ステップと、
    前記取得ステップで取得された前記データから特徴点のデータセットを構築する構築ステップと、
    非適応的な予測の教師付き関数近似法の学習を行うため、構築された前記特徴点の前記データセットを用いて前記運転パラメータxi(tj)と前記歪みデータy(tj)との関係をモデル化するモデル化ステップと
    を含み、
    前記特徴点の前記データセットを構築する前記構築ステップは、
    各時間サンプルtj,j=1,…,m,について、以下のように規定されるデータ
    であり、xi min、xi max、ymin及びymaxはそれぞれ、前記時系列(t1,t2…,tm)におけるxiの最小値、xiの最大値、yの最小値及びyの最大値である。)
    前記データベクトル
    を当該データベクトルの前記絶対値に応じて、それぞれのグループが所定範囲内の絶対値を有するデータを含むN個のグループにソートするソートステップと、
    前記それぞれのグループ内の第一ベクトル及び第二ベクトル間の角度αを算出し、当該角度αが所定角度θ以下の場合に、前記第一ベクトル及び前記第二ベクトルのいずれかを消去する消去ステップと
    を含む方法。
    A method for monitoring a structure,
    A plurality of operation parameters x i (t j ) and at least one distortion data y (t j ) acquired synchronously at time series t j , j = 1,..., M , using the same or different sampling rates. And an acquisition step of acquiring data having
    A construction step of constructing a feature point data set from the data obtained in the obtaining step;
    In order to perform the supervised function approximation method of non-adaptive prediction, the operation parameter x i (t j ) and the distortion data y (t j ) are calculated using the constructed data set of the feature points. A modeling step for modeling the relationship,
    The construction step of constructing the data set of the feature points includes:
    For each time sample t j , j = 1, ..., m, the data specified as follows
    In and, x i min, x i max, respectively y min and y max, the time series (t 1, t 2 ..., t m) the minimum value of x i in the maximum value of x i, the minimum value of y And the maximum value of y. )
    The data vector
    Sorting the data into N R groups containing data each group having an absolute value within a predetermined range according to the absolute value of the data vector;
    An erasing step of calculating an angle α between the first vector and the second vector in each group, and erasing either the first vector or the second vector when the angle α is equal to or smaller than a predetermined angle θ. And a method comprising.
  2. 請求項1記載の方法において、前記消去ステップにおいて、前記それぞれのグループにおいて、最小及び最大の歪み値を有する前記データベクトル
    が残る方法。
    2. The method of claim 1, wherein, in the erasing step, the data vector having minimum and maximum distortion values in the respective groups.
    How to remain.
  3. 請求項1又は2記載の方法において、前記それぞれのグループには、グループの最小の点個数が関連付けられており、前記消去ステップ後に一のグループにおいて残る前記特徴点の数が前記最小の点個数未満の場合に、当該一のグループは同一サイズの2つのグループに分割され、元の前記一のグループにおいて前記特徴点の前記最小の点個数が残るまで前記消去ステップが繰返される方法。   3. The method according to claim 1, wherein a minimum number of points of the group is associated with each group, and the number of feature points remaining in one group after the erasing step is less than the minimum number of points. In this case, the one group is divided into two groups having the same size, and the erasing step is repeated until the minimum number of feature points remains in the original one group.
  4. 請求項1乃至3のいずれか記載の方法において、当該方法はさらに、前記特徴点の前記データセットを構築する前記構築ステップに先立って、取得された前記データ(xi,y)に対して前処理を行う前処理ステップであって、好適には、誤り検出アルゴリズム及び誤り訂正アルゴリズムと、正規化と、フィルタリングと、リサンプリングと、低周波データセットの生成とのアプリケーションから選ばれる少なくとも1つを含む前処理ステップを含む方法。 4. The method according to any one of claims 1 to 3, wherein said method further comprises a step preceding said acquired data (x i , y) prior to said construction step of constructing said data set of said feature points. A preprocessing step for performing processing, preferably at least one selected from applications of error detection and error correction algorithms, normalization, filtering, resampling, and generation of low frequency data sets. A method comprising a preprocessing step comprising.
  5. 請求項4記載の方法において、取得された前記データ(xi,y)に対して前記前処理を行う前記前処理ステップは、前記低周波データセットの生成を含み、前記特徴点の前記データセットは、前記低周波データセットから構築される方法。 5. The method of claim 4, wherein the preprocessing step of performing the preprocessing on the acquired data (x i , y) includes generating the low-frequency data set, and the data set of the feature points Is constructed from the low-frequency data set.
  6. 請求項1乃至5のいずれか記載の方法において、当該方法はさらに、前記特徴点の前記データセットに含まれていない前記取得されたデータと、任意であるが前記特徴点の前記データセットから選択された特徴点とを用いて、前記運転パラメータxi(tj)及び前記歪みデータy(tj)とのモデル化された前記関係を検証する検証ステップを含む方法。 6. A method as claimed in any preceding claim, further comprising selecting from the acquired data not included in the data set of the feature points and optionally but from the data set of the feature points. A verification step of verifying the modeled relationship between the operating parameter x i (t j ) and the distortion data y (t j ) using the characterized feature points.
  7. 請求項5に従属する場合の請求項6記載の方法において、当該方法はさらに、前記学習及び前記検証後のモデル化された前記関係に、縮小されていない元の前記低周波データセットを与える付与ステップと、当該付与ステップにより得られた前記モデル出力の比率として調整係数を算出する調整係数算出ステップとを含む方法。   7. The method of claim 6, when dependent on claim 5, further comprising: providing the original modeled low frequency data set to the modeled relationship after learning and the validation. And an adjustment coefficient calculation step of calculating an adjustment coefficient as a ratio of the model output obtained by the assigning step.
  8. 請求項7記載の方法において、当該方法はさらに、前記学習及び前記検証後のモデルと、取得された前記運転パラメータと、算出された前記調整係数と、任意であるが前記前処理が行われている前記取得された運転パラメータとに基づいて、少なくとも1つの構造物の歪みの履歴を算出する履歴算出ステップを含む方法。   The method according to claim 7, wherein the method further includes the model after the learning and the verification, the acquired operating parameter, the calculated adjustment factor, and optionally the preprocessing. A history calculation step of calculating a history of distortion of at least one structure based on the obtained operating parameters.
  9. 請求項8記載の方法において、当該方法は、前記調整係数を用いて訂正歪みを算出する訂正歪み算出ステップを含む方法。   9. The method according to claim 8, wherein the method includes a correction distortion calculation step of calculating correction distortion using the adjustment coefficient.
  10. 請求項9記載の方法において、取得された前記運転パラメータには、前記前処理が行われており、当該前処理ステップは、元の全帯域の歪みを生成する生成ステップを含み、前記方法はさらに、前記全帯域の歪みと、算出された前記歪みとを比較することにより、稼働中の継続的なシステムの動作を検査する検査ステップを含む方法。 The method according to claim 9, wherein the obtained pre-processing parameter is subjected to the pre-processing, and the pre-processing step includes a generation step of generating distortion of the original entire band, and the method further includes: A method comprising an inspection step of examining the operation of a continuous system in operation by comparing the distortion of the entire band with the calculated distortion.
  11. 請求項9記載の方法において、当該方法はさらに、算出された前記歪みを用いて、少なくとも1つの構造物の疲労寿命及び耐損傷性の消耗を算出する消耗算出ステップを含む方法。   10. The method of claim 9, further comprising a wear calculation step of calculating fatigue life and damage resistance wear of at least one structure using the calculated strain.
  12. 請求項1乃至11のいずれか記載の方法において、前記非適応的な予測の教師付き関数近似法の学習は、人工ニューラルネットワークにより実行される方法。   12. The method according to claim 1, wherein learning of the non-adaptive prediction supervised function approximation method is performed by an artificial neural network.
  13. 航空機構造物に適用される請求項1乃至12のいずれか記載の方法において、前記運転パラメータxi(tj)はN個の航空機から取得され、前記歪みデータy(tj)は、M個の参照航空機から取得され、Mは、N以下であり、好適には、Nの約10%〜20%である方法。 13. A method according to any one of the preceding claims applied to an aircraft structure, wherein the operating parameters x i (t j ) are obtained from N aircraft and the distortion data y (t j ) is M pieces. And M is less than or equal to N, preferably about 10% to 20% of N.
  14. 構造物を監視するためのシステムであって、
    少なくとも1つの構造物において、当該構造物の選択された位置に搭載された少なくとも1つの物理的歪みセンサから運転パラメータを収集するよう適合された取得・記録装置と、
    請求項1乃至13のいずれか記載の方法によるステップを行うよう適合された処理部と
    を有するシステム。
    A system for monitoring structures,
    An acquisition and recording device adapted to collect operational parameters in at least one structure from at least one physical strain sensor mounted at a selected location of the structure;
    14. A system comprising a processing unit adapted to perform the steps according to the method of any of claims 1-13.
  15. 請求項14記載のシステムにおいて、前記構造物は航空機であり、前記取得・記録装置は、前記航空機から航空機の運転パラメータを収集するよう適合されており、前記少なくとも1つの物理的歪みセンサは、前記航空機構造物の選択された位置に搭載されているシステム。   15. The system of claim 14, wherein the structure is an aircraft, the acquisition and recording device is adapted to collect operational parameters of the aircraft from the aircraft, and the at least one physical strain sensor is the A system installed at a selected location on an aircraft structure.
JP2013042348A 2012-03-05 2013-03-04 Method and system for monitoring structures Active JP6313929B2 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP12382082.1 2012-03-05
EP12382082.1A EP2637010B1 (en) 2012-03-05 2012-03-05 Method and system for monitoring a structure

Publications (2)

Publication Number Publication Date
JP2013186899A JP2013186899A (en) 2013-09-19
JP6313929B2 true JP6313929B2 (en) 2018-04-18

Family

ID=45976243

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2013042348A Active JP6313929B2 (en) 2012-03-05 2013-03-04 Method and system for monitoring structures

Country Status (5)

Country Link
US (1) US8855852B2 (en)
EP (1) EP2637010B1 (en)
JP (1) JP6313929B2 (en)
CN (1) CN103500262B (en)
CA (1) CA2807984C (en)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150149128A1 (en) * 2013-11-22 2015-05-28 General Electric Company Systems and methods for analyzing model parameters of electrical power systems using trajectory sensitivities
CN103625654B (en) * 2013-12-17 2016-01-06 中国人民解放军空军装备研究院航空装备研究所 The repairing of Metal Structure Damage and monitoring method and device
US9892219B2 (en) 2014-01-28 2018-02-13 Rolls-Royce Corporation Using fracture mechanism maps to predict time-dependent crack growth behavior under dwell conditions
CN104460659B (en) * 2014-11-17 2018-02-27 赵红军 A kind of military cockpit air handling system outfield detection method
WO2016095882A1 (en) * 2014-12-16 2016-06-23 Balluff Gmbh Contactless position/distance sensor having an artificial neural network and method for operating same
US10460536B2 (en) 2015-08-04 2019-10-29 Sikorsky Aircraft Corporation Rotorcraft structural fault-detection and isolation using virtual monitoring of loads
US10691847B2 (en) * 2017-01-13 2020-06-23 Sap Se Real-time damage determination of an asset
EP3596439A4 (en) * 2017-03-13 2021-03-31 Gen Electric Fatigue crack growth prediction
CN107356420A (en) * 2017-07-28 2017-11-17 中航沈飞民用飞机有限责任公司 A kind of fuselage wallboard bridging arrangement blazons Analysis of Fatigue method
WO2020076181A1 (en) * 2018-10-12 2020-04-16 Massachusetts Institute Of Technology Elastic strain engineering of materials
CN111272135B (en) * 2020-02-13 2021-03-19 东南大学 Automatic linear measurement and control method for continuous beam bridge prefabrication and assembly construction
CN111538571A (en) * 2020-03-20 2020-08-14 重庆特斯联智慧科技股份有限公司 Method and system for scheduling task of edge computing node of artificial intelligence Internet of things

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9822992D0 (en) * 1998-10-22 1998-12-16 British Aerospace Fatigue monitoring systems and methods
US20060004499A1 (en) * 2004-06-30 2006-01-05 Angela Trego Structural health management architecture using sensor technology
US7328625B2 (en) * 2005-04-28 2008-02-12 Caterpillar Inc. Systems and methods for determining fatigue life
US7328128B2 (en) * 2006-02-22 2008-02-05 General Electric Company Method, system, and computer program product for performing prognosis and asset management services
JP4905075B2 (en) * 2006-11-14 2012-03-28 株式会社デンソー Communication device used for inter-vehicle communication, and program thereof
US7756678B2 (en) * 2008-05-29 2010-07-13 General Electric Company System and method for advanced condition monitoring of an asset system
CN101561459A (en) * 2009-06-04 2009-10-21 中国航空工业集团公司西安飞机设计研究所 Damage-tolerance testing method for lower wall panel of airplane outboard wing
US20100319910A1 (en) * 2009-06-18 2010-12-23 Sebastien Ives Drum Load Monitoring
CN101853317A (en) * 2010-04-20 2010-10-06 北京航空航天大学 Method for constructing turbine disc structure probability design system
CN102354376B (en) * 2011-06-30 2014-04-02 内蒙古电力勘测设计院 Method for supplementing and correcting wind measurement data

Also Published As

Publication number Publication date
CA2807984C (en) 2020-03-24
EP2637010B1 (en) 2015-06-24
US20130245879A1 (en) 2013-09-19
CN103500262A (en) 2014-01-08
JP2013186899A (en) 2013-09-19
EP2637010A1 (en) 2013-09-11
CN103500262B (en) 2017-12-05
US8855852B2 (en) 2014-10-07
CA2807984A1 (en) 2013-09-05

Similar Documents

Publication Publication Date Title
Tibaduiza et al. Damage classification in structural health monitoring using principal component analysis and self‐organizing maps
Soualhi et al. Prognosis of bearing failures using hidden Markov models and the adaptive neuro-fuzzy inference system
Reynders et al. Fully automated (operational) modal analysis
KR20170118039A (en) Adaptive handling of operating data
US10108766B2 (en) Methods and apparatus for analyzing fatigue of a structure and optimizing a characteristic of the structure based on the fatigue analysis
US10831577B2 (en) Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model
US9465387B2 (en) Anomaly diagnosis system and anomaly diagnosis method
Alippi et al. Just-in-time adaptive classifiers—Part I: Detecting nonstationary changes
JP4859328B2 (en) Power plant condition monitoring
Alamdari et al. A spectral-based clustering for structural health monitoring of the Sydney Harbour Bridge
US8355830B2 (en) Aircraft health monitoring and design for condition
EP2489014B1 (en) Platform health monitoring apparatus and method
US20130268241A1 (en) Efficient health management, diagnosis and prognosis of a machine
EP3096123B1 (en) System and methods for management and monitoring of aerial vehicles
EP2699881B1 (en) Structural health management system and method based on combined physical and simulated data
US9240083B2 (en) Rotor system health monitoring using shaft load measurements and virtual monitoring of loads
US8914149B2 (en) Platform health monitoring system
EP3091410A2 (en) Methods and system for data analytics
US20070272013A1 (en) Methods and systems for analyzing engine unbalance conditions
CN106471527B (en) Study is localized from world model
EP2199788B1 (en) Method and apparatus for montoring structural health
US10472096B2 (en) Advanced analytic methods and systems utilizing trust-weighted machine learning models
US20040172228A1 (en) System and method for diagnosing faults utilizing baseline modeling techniques
CN107832581A (en) Trend prediction method and device
CA2725402C (en) Estimation of a criterion of load to which a structural component of an aircraft is subjected, and assistance for the detection of a so-called "hard" landing by virtue of such a criterion

Legal Events

Date Code Title Description
A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20130912

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20160302

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170404

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20170704

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20170710

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20170815

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20171109

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20180227

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180326

R150 Certificate of patent or registration of utility model

Ref document number: 6313929

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150